Font size
WorksheetsCNN 작동 방식 퀴즈
Total questions: 16
Worksheet time: 16mins
CNN의 첫번째 단계는 이미지를 입력받아 필터(커널)를 사용하여 이미지의 특징을 추출하는 것입니다. 이 과정은 합성곱(Convolution) 연산을 통해 이루어집니다. 이미지 입력은 어떻게 이루어지나요?
픽셀값으로 표현된 이미지를 입력으로 받습니다.
이미지는 일반적으로 높이, 너비, 채널(RGB)로 구성된 3차원 배열로 표현됩니다.
필터는 작은 크기의 가중치 행렬입니다.
합성곱 연산은 필터가 입력 이미지를 슬라이딩하면서 이루어집니다.
ReLU는 음수값을 0으로 만들고, 양수값은 그대로 유지하는 간단한 함수입니다. ReLU 함수의 정의는 무엇인가요?
ReLU(x) = max(0, x)
ReLU(x) = x^2
ReLU(x) = x + 1
ReLU(x) = 0
ReLU 활성화 함수의 목적은 무엇인가요?
신경망에 비선형성을 추가한다.
음수값을 0으로 만든다.
양수값은 그대로 유지한다.
계산 효율성을 높인다.
Pooling의 목적은 무엇인가요?
특징 맵의 크기를 줄인다.
중요한 정보만 남긴다.
계산량을 줄인다.
이미지의 작은 변화에 덜 민감하게 만든다.
MaxPooling과 AveragePooling의 차이점은 무엇인가요?
MaxPooling은 가장 큰 값을 선택한다.
AveragePooling은 평균값을 계산한다.
둘 다 특징 맵의 크기를 줄인다.
둘 다 과적합을 방지한다.
특징 맵 생성 과정에서 필터는 어떤 역할을 하나요?
이미지를 픽셀 값으로 입력한다.
특정 패턴을 감지한다.
특징을 추출한다.
모든 정보를 남긴다.
반복적인 특징 추출의 목적은 무엇인가요?
특정 영역의 평균 값을 계산하여 출력
Average Pooling
Max Pooling
특정 영역에서 가장 큰 값을 선택하여 출력
Average Pooling
Max Pooling
풀링의 역할
정보 압축
특징 맵 크기 감소
특징 맵 크기를 줄여 계산량 감소
완전 연결층은 이전 레이어에서 추출된 모든 특징을 종합하여 이미지의 전체적인 맥락을 파악합니다.
완전연결층은이전레이어에서추출된모든특징을종합하여이미지의전체적인맥락을파악합니다. 이 층의 역할은 무엇인가요?
특징을 종합하여 맥락을 파악한다.
입력된 특징을 분류하거나 예측한다.
예측 결과를 제공한다.
출력층은 예측 결과를 제공하는 레이어입니다. 분류문제의 경우 출력층은 어떤 값을 출력하나요?
각 클래스에 대한 확률값
예측값
입력된 특징
CNN은 이미지에서 특징을 추출하고 학습하여 예측 결과를 제공하는 강력한 딥러닝 모델입니다. CNN의 핵심 구성 요소는 무엇인가요?
합성곱, ReLU, Pooling, 완전연결층
출력층, Softmax, 회귀
특징, 예측, 분류
회귀문제의 경우 출력층은 어떤 값을 출력하나요?
예측값
확률값
특징
